Université Sidi Mohammed Ben Abdallah

Faculté Des Sciences et Technique Fès

Dépa Département de Génie Electrique

Analyse et commande des systèmes

non linéaires

MASTER IESE

Pr: F.ERRAHIMI
fatima.errahimi@usmba.ac.ma
 Introduction

Objectifs du cours

 Modélisation des systèmes non linéaires

 Analyse des systèmes non linéaires

 Commande des systèmes non linéaires

Commande non linéaire (nombreuses recherches…): pourquoi?

 La synthèse de commandes linéaires s’appuie des modèles linéaires. S’il

est possible de se ramener à des modèles linéaires par linéarisation locale,
la robustesse de la commande résulte d’une bonne connaissance des points
de fonctionnement.

 Les commandes linéaires se révèlent complètement inefficaces face à des

systèmes à forte non linéarité.

 La synthèse de commande linéaire présuppose une bonne connaissance du

modèle. Il est alors difficile de prendre en compte les incertitudes liées au modèle :

• Incertitude liée aux paramètres (changement de valeur)

• Incertitude liée à la structure (changement de modèle)

 La synthèse de commande linéaire n’est pas nécessairement plus simple à

mettre en œuvre. L’évolution des technologies constitue un facteur supplémentaire au
développement des techniques de commande non linéaire.
 Modélisation des systèmes non linéaires
Limitation des méthodes linéaires:
• Linéarité «mathématique»: un système est linéaire si le principe de
superposition s’applique.
• Linéarité «physique»: un système est linéaire s’il est régi par des équations
différentielles linéaires, à coefficients constants et d’ordre fini.
 La linéarité physique implique la linéarité mathématique et elle est plus
restrictive (elle exclut, par exemple, les systèmes régis par des équations aux
dérivées partielles linéaires, comme les phénomènes de propagation).
 Dans la réalité, aucun système physique n'est linéaire, mais de nombreux
systèmes le deviennent, moyennant certaines approximations, valable dans un
domaine de fonctionnement limité.
 L’hypothèse de linéarité simplifie considérablement l’étude du système: elle
permet d’introduire la notion de fonction de transfert, avec ses diverses
représentations (réponse fréquentielle, configuration des pôles et des zéros) qui
constituent un outil puissant pour l’analyse et la synthèse des systèmes asservis.
 Les méthodes linéaires présentent des limitations:

 Elles ne s’appliquent que dans un domaine de fonctionnement limité du système.

 Il existe des systèmes qu’il est impossible, même de façon approchée, de considérer
comme linéaires (relais).
 Il existe des phénomènes très importants, dans la théorie et la pratique des systèmes
asservis, que les notions linéaires sont incapables de rendre compte; par exemple:

 La limitation de la précision par le seuil des différents organes (la théorie linéaire
indique une précision infinie lorsque la chaîne directe comprend des intégrations).
 Le phénomène de ‘pompage’, qui consiste en la présence d’oscillations périodiques,
d’amplitude constante et indépendante des conditions initiales «oscillateur ».
(la théorie linéaire ne connaît que des systèmes stables ou instables).

Définition des systèmes non linéaires:

un système est non linéaire s’il n'est pas régi par des équations
différentielles linéaires, à coefficients constants et d’ordre fini.
À l'exception du retard pur, considéré comme linéaire.

5
Remarque:
 Comme cette définition est extrêmement extensive, alors, contrairement aux
systèmes linéaires, il n’y a pas de théorie pour l 'ensemble des systèmes non linéaires,
mais seulement des méthodes d’approche de classes particulières de problèmes non
linéaires.

 Comme pour les systèmes linéaires, il est possible de distinguer, aussi les modèles
non linéaires par les caractères suivants :
- A temps continu / A temps discret,
- Invariants dans le temps / Variants dans le temps,
- Monovariables / Multivariables,
- Déterministes / Stochastique

Principales non-linéarités rencontrés dans les systèmes asservis:

Les principaux types de non-linéarités sont définis par la donnée de la caractéristique

d’amplitude entrée/sortie en régime statique:

6
 w(t)
w(t)

e(t) e
e(t)

Cas linéaire idéal courbure seuil

e(t) e

saturation hystérésis tout ou rien

Ces 5 types fondamentaux peuvent évidemment s’associer de façon diverse,

en donnant, notamment:
7
 w(t)

e
e(t)

Seuil et saturation Courbure et hystérésis

(t) w(t)

e(t)
e(t)

tout ou rien avec seuil tout ou rien avec seuil et hystérésis

Ces combinaisons permettent de représenter à peu prés toutes les non-linéarités présentes
dans les systèmes asservis.
8
 Classifications des non-linéarités

Il existe plusieurs façons de classer les non-linéarités des systèmes asservis.

 les non-linéarités continus et discontinus (tout ou rien est discontinu).

 les non-linéarités avec ou sans mémoire: les non-linéarités avec mémoire

possèdent des caractéristiques en forme de boucle, à cause de la présence
d’hystérésis (la valeur de la sortie dépend du sens de variation de l’entrée).

 les non-linéarités accidentelles (parasites) résultent des limitations des matériels et

des imperfections de la réalisation.

 les non-linéarités essentielles résultent au contraire d’une intention délibérée de

l’automaticien (commande par tout ou rien).

Il est possible de donner comme définition d’un système non linéaire,

tout système ne vérifiant pas les propriétés mathématiques des
systèmes linéaires stationnaires (LTI : Linear Time Invariant).

9
Définition:
Un point singulier est un point d’équilibre encore appelé point stationnaire.

Un point d’équilibre est défini par: X  0

Considérons le système linéaire défini par l’équation d’état : Ẋ = A X + BU

Ce système se caractérise par les propriétés suivantes :

 Il possède un point d’équilibre unique solution de l’équation Ẋ=0; la solution générale de

l’équation différentielle d’état s’écrit : x(t)=exp(A(t)X(0))

 Le point d’équilibre est stable si toutes les valeurs propres de A sont à partie réelle négative,
et ceci de façon indépendante des conditions Initiales

 Le système vérifie le principe de superposition par rapport à l’entrée de commande u(t).

 Enfin, si l’entrée est sinusoïdale, la sortie est aussi sinusoïdale à la même fréquence,
caractérisant ainsi la propriété de stationnarité du système.

Exemple: Considérons le système (véhicule sous-marin) caractérisé par l’équation différentielle:

où v est la vitesse du véhicule et u l’entrée de commande (poussée du système de propulsion).

10
 Le système ne vérifie pas le principe de
superposition (cf. courbe de
réponse pour différentes entrées).

Caractéristiques du comportement des SNL : Points d’équilibre multiple

Très souvent, les SNL se caractérisent par plusieurs points d’équilibre

Exemple: système du 1er ordre défini par

l’équation suivante :

Le système possède deux points d’équilibre :

y = 0 et y = 1.
Avec un état initial y(0)= y0 , on a :

11
Cycles limites
Certains SNL présentent des oscillations d’amplitude et de période constante
avec entrée nulle. Ces oscillations sont appelées cycles limites (auto oscillation).
Exemple : le système décrit par l’équation de Van der Pol :

avec m, c et k des constantes positives. Ce système est équivalent par exemple

à un circuit RLC avec résistance non linéaire.

• L’amplitude des oscillations est indépendante des conditions initiales, ce qui n’est
pas le cas des systèmes linéaires
• Les cycles limites dans les SNL sont relativement peu sensibles aux variations de
12
paramètres.
Bifurcations
Quand les paramètres d’un SNL sont modifiés, la stabilité des points d’équilibre est
susceptible d’être changée, et le nombre de points d’équilibre peut évoluer. Les
valeurs critiques des paramètres induisant ce genre de phénomène sont appelées
valeur critique de bifurcation.
Exemple: on considère le système décrit par l’équation de Duffing suivante :

où c et α sont 2 paramètres. Les points d’équilibre du système pour c=1.

• Modification du nombre de points d’équilibre en fonction du paramètre α .

• Nombre de points d’équilibre : 1 point d’équilibre ye =0 pour α >0,
3 points pour α <0.

La valeur α =0 est une valeur critique de bifurcation.

13
Chaos
Le comportement des SNL est très sensible aux variations des conditions initiales.
La notion de chaos réside dans le coté non prédictible de la réponse d’un SNL
en fonction d’une variation des conditions initiales.

Exemple :

14
 Modélisation de systèmes non linéaires avec des équations d'état
• Le fonctionnement de très nombreux systèmes (voiture, bateau…) de la vie
quotidienne peut être modélisé par des équations d’état
• Equation d’état/représentation d’état :

• Variables d’état : les variables nécessaires pour dessiner les système à un t donné
permettant de prévoir ce qui se passera au t suivant

• Etat : vecteur souvent noté x regroupant les variables d’état

• Entrées : vecteur souvent noté u regroupant en général les signaux de
commande directement envoyés au système, ou parfois leurs mesures plus ou
moins directes
• Sorties : vecteur souvent noté y regroupant en général les variables
intéressantes mesurées par les capteurs du système.
• Equation d’évolution : équation différentielle permettant de savoir vers où va
se diriger l’état x(t) sachant sa valeur à l’instant présent t et la commande u(t)
actuelle
• Equation d’observation : calcul des sorties y(t) actuelles en fonction de l’état
actuel x(t) et la commande actuelle u(t).
15
Représentation des SNL sous forme d’état
On considère un SNL d’entrée u(t), d’état x(t) et de sortie y(t).
Représentation d’état sous forme implicite
La représentation d’état sous forme implicite donne l’évolution de l’état du SNL par une équation
différentielle d’état de la forme :

La sortie du système s’exprime en fonction de x(t) et de u(t). On a :

où f et h sont des fonctions vectorielles

Représentation d’état sous forme explicite

Pour certains SNL, il est possible d’établir l’expression de l’état du système en fonction du temps,
de l’état initial et de la commande.
L’expression de l’état met en évidence une fonction appelée fonction de transition d’état définie par:

La sortie du système s’exprime par une fonction de mesure de la forme suivante :

Systèmes NL affines
On appelle système non linéaire affine (en état ou en commande) un système
dont la représentation d’état prend l’une des formes suivantes :

• Affine en état :

• Affine en commande
16
Exercice : on considère le système de régulation de niveau constitué de trois
cuves connectées par un réseau de canalisations comprenant 3 vannes ε13 , ε32 , ε20

En fonctionnement normal, le système est

caractérisé par les équations suivantes :

avec

Etablir la représentation d’état pour le Vecteur

17
Linéarisation autour d’un point d’équilibre:

18
19
20
21
22
23
24
25
Contrôlabilité:
Un système est dit contrôlable si on peut le ramener a tous état prédéfini au
moyen d’un contrôle

Définition: On dit que le système est contrôlable (ou commandable) si pour tous les états x0, x1
∈ M, il existe un temps fini T et un contrôle admissible u(·): [0, T] → U tel que x1=x(T, x0, u(·))
Théorème: Le système linéaire est contrôlable si et seulement si la matrice de contrôlabilité
(ou de commandabilité) de Kalman est de rang n.
On dit alors que la paire (A, B) est commandable.
Contrôlabilité locale d’un système non linéaire
Définition: On dit qu’un système non linéaire est localement contrôlable au point x0 s’il existe
un voisinage A de x0 tel que pour tout x1 ∈ A, il existe un temps fini T et un contrôle admissible
u(·) : [0, T] → U tel que x1 = x(T, x0, u(·)).
On n’a pas de condition nécessaire et suffisante de contrôlabilité pour un système non linéaire.
On a une condition suffisante de contrôlabilité locale qu’on peut obtenir par linéarisation.

Théorème: Supposons qu’il existe u0 ∈ tel que U soit un voisinage de u0 et f(x0, u0) = 0.

Si le rang de la matrice est égal a n (c’est a dire que le système linéaire

x˙ = Ax+Bu est contrôlable), alors le système non linéaire est localement contrôlable en x0.
la contrôlabilité du linéarisé n’est pas une condition nécessaire de contrôlabilité du système
26
non linéaire.
 Observabilité:
Dans beaucoup de situations pratiques, une partie seulement de l’état du système, appelée la
sortie ou la variable observée, est mesurée. Un système commandé-observé est un système
différentiel de la forme:

où le vecteur x est le vecteur des états du système, le vecteur u celui des contrôles (entrées) et le
vecteur y celui des variables observées (sorties).
Le système non linéaire sera dit observable si la sortie y(t) permet de retrouver l’état x(t).
Un observateur pour le système est un système

ayant comme entrées u(t) et y(t) (la sortie du système ) et tel que l’erreur:
tende vers 0 quand t → ∞. L’équation de l’erreur est:

Critère d’observabilité de Kalman:

Considérons le système linéaire commandé-observé:

27
Définition: On dit que le système linéaire est observable si pour tout etat x0, il existe un temps
fini T et un contrôle admissible u(·) : [0, T] → U tel que la connaissance de y(t) pour t ∈ [0, T]
permet de déterminer x0.
Il existe une caractérisation algébrique de l’observabilité d’un système linéaire due à Kalman.

Théorème: Le système linéaire est observable si et seulement si la matrice d’observabilité de

Kalman.

est de rang n. On dit alors que la paire (A, C) est observable.

Observateur de Luenberger d’un système lineaire:

Comme la matrice d’observabilite de Kalman est de rang n, il existe une matrice L d’ordre n × p
telle que la matrice A + LC soit de Hurwitz. Considérons alors le système:

L’équation de l’erreur est Donc e = 0 est GAS.

28
 Analyse des systèmes non linéaires
Objectif
 Analyse du comportement des systèmes non linéaires, en particulier au voisinage
des points d’équilibre.
 Etude de la stabilité: locale ou globale
Outils :
• Plan de phase
• Théorie de Lyapunov

Plan de phase
 Outil graphique qui permet une analyse du comportement des systèmes du
second ordre en régime libre (u = 0)
 Représenter dans l’espace d’état du système du 2nd ordre, les trajectoires
obtenues pour différentes conditions initiales et analyser d’un point de vue
qualitatif les caractéristiques de ces trajectoires.
 La méthode de construction du plan ne nécessite pas nécessairement la
résolution analytique des équations différentielles d’état.
 La méthode s’applique à tous les types de non linéarités.
 Pour de nombreux systèmes non linéaires, il est possible d’établir un
modèle approximatif du second ordre, et la méthode du plan de phase
constitue une approche intéressante pour leur analyse. 29
On considère des systèmes du second ordre, e.i régis par une équation différentielle
du second ordre.
f ( x, x , x, t )  0
On peut associer à cette équation différentielle une représentation d’état d’ordre

 x1  f1 ( x1 , x2 )  x1 (0) 
 x0   
 x2  f 2 ( x1 , x2 )  2 
x ( 0 )
L’espace d’état ainsi défini est un plan puisque de dimension 2.
L’idée de base est alors de choisir une représentation d’état particulière,
( x1 , x2 )  ( x, x ) d’en représenter la solution dans le plan ( x, x ) appelé plan de
phase et d’en étudier les propriétés qualitativement.
Intérêts:
- Il est inutile de résoudre analytiquement les équations différentielles non linéaires
puisque l’on dispose de méthodes de construction pratique.
- Il n’y a pas de restriction sur la ”nature” de la non linéarité.
- On dispose d’interprétations géométriques simples de concepts tels que : cycles
limites, stabilité...
30
Vocabulaire:
Un système du second ordre autonome peut être représenté par le système de deux
équations différentielles scalaires:

 x1  f1 ( x1 , x2 )

 x 2  f 2 ( x1 , x2 )

où (x1, x2) sont les variables de phase ou d’état. f1, f2 sont des fonctions non linéaires
quelconques. Le plan de coordonnées (x1, x2) est appelé le plan de phase.
Pour x(0) = x0 = (x1(0), x2(0)), une condition initiale donnée, cette équation
différentielle définit une solution x(t). Quand t varie de 0 à l’infini, la solution x(t)
peut être représentée par une courbe paramétrée par t dans le plan de phase.
L’ensemble des trajectoires de phase pour différentes conditions initiales est
le portrait de phase.
Exemple:
Soit l’équation différentielle modélisant le mouvement d’un ressort de raideur 1 et de
masse 1:
x(t )  x(t )  0
31
A partir d’une position initiale x0, l’évolution de la position et de la vitesse est
donnée par les équations paramétriques:
 x(t )  x0 cos(t )

 x (t )   x0 sin(t )
ce qui conduit à une équation de la trajectoire dans le plan ( x, x )
x 2  x 2  x02
qui est l’équation d’un cercle dépendant de la condition initiale x0,

Trajectoires dans le plan de phase 32

L’extension de l’approche à des systèmes d’ordre supérieure à 2 se révèle très complexe à
mettre en œuvre à la fois sur le plan du calcul et de la géométrie.

Concepts de base
La méthode du plan de phase s’appuie sur un modèle implicite du second ordre caractérisé par
les équations suivantes :
où x1 et x2 désignent les variables d’état du système, f1 et f2 sont des
fonctions scalaires non linéaires des variables d’état.

33
Comportement qualitatif: étude des points singuliers
Définition
Un point singulier est un point d’équilibre dans le plan de phase encore appelé point
stationnaire. Un point d’équilibre est défini par x1  x2  0 . On obtient donc les
points d’équilibre en résolvant les équations non linéaires algébriques:

 f1 ( x1 , x2 )  0

 f 2 ( x1 , x2 )  0
Les points d’équilibre d’un système du second ordre sont appelés points singuliers,
du fait que si l’on désire calculer la pente en tout point de la trajectoire de phase,
celle-ci est donnée par:
dx2 f 2 ( x1 , x2 )

dx1 f1 ( x1 , x2 )

En un point d’équilibre, cette pente n’est donc pas définie et plusieurs trajectoires
peuvent se croiser en un même point.
34
Exemple:
Soit le système gouverné par l’équation différentielle:

x  0.6 x  3 x  x 2  0
que l’on peut réécrire sous forme d’équations d’état:

 x1  x2

 x2  0.6 x2  x1 ( x1  3)
Les points singuliers sont obtenus par la résolution des équations:

 x2  0

 0.6 x2  x1 ( x1  3)  0

soit les deux points (0,0) et (-3,0) .

35
Cas des systèmes linéaires
Un système linéaire autonome s’écrit
 x1 (t )  ax1 (t )  bx2 (t )   Ax a b 
 soit X avec A   
 x2 (t )  cx1 (t )  dx2 (t ) c d 

et possède un point d’équilibre unique, x0, l’origine du plan de phase. La solution

de l’équation X  Ax pour une condition initiale donnée par x0 s’écrit:

x(t )  e At x0  Me J r t M 1 x0
Où Jr est la forme de Jordan réelle de A et M est la matrice non singulière de
passage vérifiant: M-1AM = Jr.
Suivant la nature des valeurs propres de A, Jr peut prendre différentes formes.

Premier cas: Forme diagonale

 1 0   z1 (t )  e 1t z10
J r  M AM  
1

 0 2  
 z 2 (t )  e 2t z 20 36
Éliminant le temps entre les deux équations, on obtient l’équation de la courbe
dans le plan de phase:
z20
z2 (t )  z12 1 (t )
z102 1

1- 1, 2 de même signe, (> 0 ou < 0) .

Le point d’équilibre est un nœud stable ou instable.

2- 1 , 2 de signe opposé.
Le point d’équilibre est un point selle.

Deuxième cas: Forme de Jordan

1  1   z1 (t )  e t z10  tet z 20
J r  M AM    
0   z 2 (t )  e t z 20

37
38
L’équation de la trajectoire est alors:
 z10 1  z2 (t ) 
z1(t)  z2(t)  ln 
 z 20 λ  z 20 
Le point d’équilibre est un nœud stable ou instable.

Troisième cas: Forme complexe conjuguée

 
J r  M 1 AM   
  
En coordonnées polaires,
 z (t ) 
r (t )  z12 (t )  z 22 (t ) ,  (t )  arctg  2 
 z1 (t ) 
l’équation de la trajectoire est donnée par:
r (t )  r0 et

 (t )   0   t
ce qui définit une spirale logarithmique.
Le point d’équilibre est un foyer stable ou instable. 39
Cas particulier:  = 0
La matrice A a des valeurs propres sur l’axe imaginaire. Dans ce cas, (0,0) n’est pas
un point d’équilibre hyperbolique. Cela signifie que la nature du point d’équilibre
est très sensible à des perturbations dans les éléments de la matrice A.
Le point d’équilibre est un centre.

Nota:
Les caractéristiques en stabilité des systèmes linéaires sont déterminées uniquement
par la nature des points singuliers, ce qui est différent du cas non linéaire.

Cas non linéaire - Comportement local

En examinant le portrait de phase du système non linéaire donné comme exemple à

la section 3.1, on peut constater que dans le voisinage des deux points d’équilibre, le
comportement du système s’identifie à celui d’un système linéaire, foyer stable pour
(0,0) et point selle pour (-3,0). Ces observations faites dans un cas particulier peuvent
être généralisées et le comportement qualitatif d’un système non linéaire au
voisinage d’un point d’équilibre peut être déterminé par linéarisation autour de ce
point. Ces résultats sont donc valides localement.
40
41
Principe de la méthode :
Soit Xe ~ (, ) point d’équilibre d’un système non linéaire donné par:

 x1  f1 ( x1 , x2 )

 x 2  f 2 ( x1 , x2 )

La procédure se décompose en trois étapes:

- Changement de coordonnées:
 X 1  x1    X 1  F1 ( X 1 , X 2 )
  
 X 2  x2    X 2  F2 ( X 1 , X 2 )

- Linéarisation:
X  AX
 F1 ( X 1 , X 2 ) F1 ( X 1 , X 2 ) 
 
où,  X 1 X 2 0 
A
0
F2 ( X 1 , X 2 ) F2 ( X 1 , X 2 ) 
 
 X 1 X 2 
 0 0

42
  f1 ( x)   
A est la matrice Jacobienne de f ( x)    évaluée au point  
 2 
f ( x )  
- Étude des propriétés du point singulier 0 pour le système linéarisé.

Conclusions:
Si le point (0,0) est un noeud stable, (resp. instable), un foyer stable, (resp. instable),
ou un point selle pour le système linéarisé, alors dans un voisinage du point
d’équilibre (, ), les trajectoires de phase du système non linéaire se comporteront
comme celles associées à un noeud stable, (resp. instable), un foyer stable, (resp.
instable), ou un point selle. Nous qualifierons de manière identique les points
d’équilibre pour le système linéarisé et pour le système non linéaire.

Exemple: Équation d’un pendule avec frottements

 x1  x2

 g k k/m  1/ 2 g / l  1
 x 2   l sin( x1 )  m x2


qui possède deux points d’équilibre (0,0) et (p, 0).

43
La matrice Jacobienne associée est donnée par:

 0 1 
A   
  cos(x1 )  0.5 
Évaluée aux deux points d’équilibre, on obtient les deux matrices Jacobiennes:

0 1  0 1 
A1    A2   
  1  0.5   1  0.5 
avec les valeurs propres – 0.25± j0.97 pour A1 et -1.28, 0.78 pour A2.
Ainsi, le point d’équilibre (0,0) est un foyer stable et (p, 0) un point selle.
Cas critique de Lyapunov:
Dans le cas où le système linéarisé possède au moins une valeur propre sur l’axe
imaginaire, le comportement du système linéarisé et le comportement local du
système non linéaire peuvent être très différents.
C’est un cas critique de Lyapunov.

44
Exemple: Soit le système donné par:
 
 1
x   x 2   x 1 ( x 2
1  x 2
2)

 
 2
x  x1   x 2 ( x1
2
 x 2
2)

qui a un point d’équilibre en 0. Le système linéarisé à l’origine a les valeurs

propres ± j. C’est donc un centre.
Si l’on représente le système en coordonnées polaires:

 x1  r cos( )

 x2  r sin( )
on peut réécrire les équations précédentes sous la forme:


r   r 3


  1


donc pour µ > 0, le point d’équilibre sera un foyer stable et instable pour µ < 0.
45
46
47
48
 Les cycles limites
Nous avons vu à travers l’exemple linéaire de la section 1, un exemple de
mouvement oscillatoire:
 x1 (t )  x0 cos(t )

 x2 (t )   x0 sin(t )
L’origine du plan de phase est donc un centre. Le système est oscillant d’amplitude
x0. C’est un oscillateur harmonique. Les trajectoires de phase sont des courbes
fermées. Toutefois, des changements infinitésimaux dans les paramètres du système
annuleraient ces oscillations. L’oscillateur n’est pas structurellement stable. En fait,
il est impossible de construire un oscillateur harmonique du fait de l’inévitable
dissipation d’énergie. Même dans le cas où ce problème serait évité, on constate que
l’amplitude des oscillations, dans le cas de l’oscillateur harmonique, dépend de la
condition initiale. Ceci n’est pas le cas en ce qui concerne les oscillateurs non
linéaires. Il est en effet possible de construire physiquement des oscillateurs non
linéaires tels que:
- l’oscillateur non linéaire soit structurellement stable,
- l’amplitude de l’oscillation est indépendante de la condition initiale.
On dit alors que le système non linéaire possède un cycle limite. 49
Etude des cycles limites
Lorsqu’une trajectoire de phase se termine sur une courbe fermée que le point
figuratif de l’état parcourt indéfiniment, le système devient en régime
permanent le siège d’un phénomène périodique. Il y a alors présence d’un
cycle limite. Il est intéressant d’un point de vue de la commande de chercher à
prévoir l’existence de ces cycles et d’évaluer leurs caractéristiques.
Théorème (Bendixson):
Pour un système non linéaire décrit par les équations et
il n’existe pas de cycle limite dans la région Ω du plan de phase si le terme

ne s’annule pas et ne change pas de signe.

Quand la trajectoire reste bornée, elle converge soit vers un point, soit vers une
courbe fermée du plan

Théorème Un ensemble limite non vide, compact, d'un système dynamique, qui
ne contient pas de point d‘équilibre est une orbite périodique. 50
Exemple: Oscillateur de Van der Pol
En considérant le circuit électrique suivant :

Circuit de l’oscillateur de Van der Pol

Les équations d’état de l’oscillateur de Van der Pol sont:
 x1 (t )   x2 (t )

 2
x (t )   x1 (t )   (1  x 2
1 (t )) x2 (t )

dont le portrait de phase est donné par la figure suivante pour =1.

51
Le comportement est différent de celui de l’oscillateur harmonique pour lequel il
y avait un ensemble continu de courbes fermées variant pour x0.
Il existe trois types de cycles limites: stable, instable, et semi stable

52
Construction pratique des trajectoires de phase
Une figure approximative du portrait de phase peut être donnée en traçant des
trajectoires à partir d’un grand nombre de conditions initiales différentes.
Il existe de nombreuses méthodes de construction des trajectoires de phase pour les
systèmes linéaires ou non linéaires.
- Méthode analytique.
- Méthode des isoclines.
- Méthode delta.
- Méthode de Liénard.
- Méthode de Pell.
Disposant de moyens de calculs informatiques performants et efficaces, les
méthodes graphiques permettent d’obtenir de très bons résultats. Du fait de leur
simplicité, nous n’étudierons que les deux premières:
- La méthode analytique utilise la solution analytique des équations différentielles
décrivant le système. C’est donc une méthode d’utilisation limitée.
- La méthode des isoclines est une méthode purement graphique.

53
 La méthode analytique
Il existe deux techniques pour générer analytiquement les trajectoires de phase.
Toutes deux conduisent à une relation fonctionnelle entre les variables de phase
(x1, x2) du type: g(x1, x2 , c) = 0.

Première technique: A partir des équations d’état:

 x1  f1 ( x1 , x2 )

 x 2  f 2 ( x1 , x2 )
on obtient les solutions pour les variables de phase sous forme de courbes paramétrées:
 x1  g1 (t )

 x2  g 2 (t )
on élimine la variable temps pour obtenir l’équation de la trajectoire dans le
plan de phase g(x1, x2 , c) = 0.
Deuxième technique: On élimine directement le temps en posant:
dx2 f 2 ( x1 , x2 )

dx1 f1 ( x1 , x2 )
Puis par intégration, on établit une relation en x1 et x2 . 54
 puis l’on résout cette équation différentielle, quand elle est à variables séparables,
pour obtenir la relation fonctionnelle g(x1, x2, c)= 0.
Cette technique est particulièrement utilisée pour les systèmes linéaires par morceaux.
Exemple: système masse ressort précédent.

La méthode des isoclines

L’idée principale réside dans le mot isocline.
Définition:
Une isocline est une courbe dans le plan de phase définie comme le lieu des points des
trajectoires de phase de pente  donnée.

dx2 f 2 ( x1 , x2 )
s( x1 , x2 )  s( x)    
dx1 f1 ( x1 , x2 )
On remarque en effet que la tangente à la trajectoire passant par le point (x1, x2) a pour
pente:
dx2 f 2 ( x1 , x2 )

dx1 f1 ( x1 , x2 )
55
L’équation s(x)=  définit la courbe isocline dans le plan (x1, x2), le long de
laquelle les tangentes à la trajectoire de phase ont une pente . La procédure
consiste à tracer la courbe isocline dans le plan de phase et à tracer le long de cette
courbe, de courts segments de droite de pente . Ces segments sont parallèles et
leur direction est déterminée par le signe de f1(x), f2(x) au point x. On répète
ensuite la procédure pour différentes valeurs de la constante .
Une fois le plan de phase rempli d’isoclines, à partir d’un point initial donné x0, on
construit la trajectoire partant de x0 et reliant les segments entre eux.
Exemple:
Soit le système non linéaire donné par:

 x1  x2  sin( x1 )
 alors s( x)  
 x 2   sin( x1 ) x2

d’où l’on peut déduire que les isoclines sont définies par les sinusoïdes paramétrées:
1
x2   sin( x1 )

Nota:
Pour utiliser la méthode des isoclines, il est nécessaire que l’échelle en x1 et en x2
soit la même. 56
 1
x2   sin( x1 )


Exemple 2: Considérons le système masse-ressort défini par :

57
Exemple 3:

58
59
Finally, we need to conjecture the phase portrait from this information. The
trajectories are found by tracing curves through the slopes that we plotted on top of
the isoclines. In order to establish the direction of these trajectories, we need to look
at the differential equations at some of the isoclines to determine the direction of the
derivative field. This plot should be made by hand in your solutions. It is plotted by
computer

60
Stabilité des SNL (au sens de Lyapunov)
L’approche proposée par Lyapunov permet de résoudre en partie ce problème
car elle propose une solution générale pour étudier la stabilité des systèmes
non linéaires en présence de variations des conditions initiales.

Deux méthodes sont proposées pour résoudre la stabilité au sens de Lyapunov :

• Méthode par linéarisation qui permet de conclure quant à la stabilité d’un
SNL autour d’un point d’équilibre
• Méthode directe qui permet d’étudier la stabilité (locale ou globale) d’un
SNL autour d’un point d’équilibre 61
Définitions

La théorie de Lyapunov s’intéresse aux systèmes libres, c’est-à-dire ceux

décrits par une équation différentielle ne faisant pas intervenir de vecteur de
commande et représentés par une équation d’état continue du type : ẋ = f (t,x)

Ces équations évoluent à partir de leur condition initiale x0 définie à l’instant initial t0.
La théorie de Lyapunov décrit la stabilité d’une solution donnée de cette équation
différentielle pour des fluctuations de la condition initiale.

De manière informelle, cette stabilité prend la forme suivante :

• Soit x(t) une solution particulière de l’équation différentielle issue de la condition

initiale x0 . Cette solution est dite stable au sens de Lyapunov si une « petite »
modification de la condition initiale conduit à une solution z(t) qui reste « proche »
de x(t). Elle est dite instable dans le cas contraire.

• Elle est dite asymptotiquement stable si elle est stable et si, de plus, cette
nouvelle solution z(t) se rapproche indéfiniment de x(t).

62
Comment vérifier la stabilité d’un système non-linéaire ?

Fonctions de Lyapunov

Définition : si dans un voisinage D du point d’équilibre x=0, il existe une fonction V(x) définie
positive et différentiable et si sa dérivée par rapport au temps le long d’une trajectoire est
définie négative, alors la fonction V(x) est appelée fonction de Lyapunov candidate
63
.

64
65
Hypothèse de base sur V(x,t)

 x, t  t0 : toutes les dérivées partielles de V existent et sont

continues dans (x,t).
 Conséquence: dV dV
 x(t; x0 , t0 ), t  =  x(t ), t   V  x(t ), t 
dt dt
n
V dxi V
  x ( t ), t    x(t ), t 
i 1 xi dt t
Fonction définie positive

 Une fonction scalaire V(x) continuellement différentiable (par rapport à x)

est définie positive dans une région Ω autour de l’origine si:
 V(0) = 0;

 V(x) > 0 pour tout x  / x  0.

Fonction définie semi-positive

 Une fonction scalaire V(x) continuellement différentiable (par rapport à x)

est définie semi-positive dans une région Ω autour de l’origine si:
 V(0) = 0;

 V(x) ≥ 0 pour tout x  / x  0 66

Fonction quadratique définie positive
La fonction quadratique V ( x )  x Qx où Q est une matrice (de taille n
T

par n) réelle symétrique, est définie positive si toutes les valeurs
propres de la matrice Q sont strictement positives.
Exemples
 1: V ( x)  x12  x22 Définie positive dans R2;

V ( x)   x1  x2 
2
 2: Définie semi-positive dans R2.

Stabilité locale
 L’état d’équilibre xe = 0 est stable si il existe une fonction
continuellement dérivable V(x) telle que:

 V(0) = 0;
 V(x) > 0, x  0, x   ;
 V ( x)  dV ( x) dt  0, x  0, x  .
67
Stabilité locale et asymptotique
 Si la dernière condition était plutôt, V ( x)  0 alors l’état d’équilibre
est asymptotiquement stable.
Stabilité globale
 L’état d’équilibre xe = 0 est globalement asymptotiquement
stable si il existe une fonction continuellement dérivable V(x)
telle que:
 V(0) = 0;

 V(x) > 0, x  0;

 V ( x)  0, x  0;
 V ( x)   quand x  .

Exemple 1 Dont on veut

 Soit: x  x x  x  0
2 connaître la
stabilité.
 Passage en équation d’état avec: x1  x, x2  x
 x1  x2

 Ainsi:
 2
x   x1   x 2
1 x2
68
 Ce système possède un point d’équilibre à (x1,x2)=(0,0).
 Analysons la stabilité de ce système avec cette fonction de Lyapunov:
x12  x22
V ( x1 , x2 ) 
2
 Dérivant V(x), on trouve:
V V
V ( x1 , x2 ) = x1  x2  x1 x1  x2 x2
x1 x2
 Ensuite:
V ( x1 , x2 )  x1x2  x1x2   x12 x22   x12 x22
 Donc V ( x1 , x2 )   x12 x22

 Ainsi, V(x) est une fonction définie positive qui est strictement
décroissante le long de toutes les trajectoires possibles si ε<0.

 En vertu de la théorie de Lyapunov, le système est globalement stable

si ε=0.
 Il est globalement asymptotiquement stable si ε<0.

 Sinon, il est globalement instable. 69

Exemple 2  x1  2 x1  x22  1

Soit:  Dont le point d’équilibre est à (0,0).
2  1  1


 x
 2   x x 2


x
Vérifions la stabilité avec la fonction de Lyapunov: V ( x , x )  1
2
 x2
2

1 2
2
 En dérivant: V ( x1 , x2 )  x1 x1  x2 x2
 2 x12  x22  1  x22  x12  1
 x12 x22  2 x12  x22
 Donc
V ( x1 , x2 )  0  x12 x22  2x12  x22  0
5

 Cette condition peut être réécrite 4.5

comme suit: 4

3.5

3
Stable ou instable ?

2 x12
2

2.5
x

V ( x1 , x2 )  0  x  2
2

 x1 1
2
2 1.5

1 Stable

0.5
70
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
x
 Essayons ce second candidat: x12  2 x22
V2 ( x1 , x2 ) 
2

 Dérivant: V2 ( x1 , x2 )  2  x12  x22 

 Ce qui mène à conclure que le système est globalement
asymptotiquement stable.

Exemple 3
 Soit:  x1   x1


 x
 2   1
4 x2 1  e t

 Dont le point d’équilibre est à (0,0).
 Vérifions la stabilité avec cette fonction de Lyapunov suivante:

V ( x1 , x2 )  x12  2 x22 (1  et )

71
 En dérivant: V ( x, t )  2 x1 x1  4 x2 x2 (1  e t )  2 x22e t
 2 x12  x22 (1  e  t )(1  e  t )  2 x22 e  t
 2 x12  x22 (1  e 2t  2e  t )
 Stable car:

V ( x, t )  2 x12  x22 (1  e2t  2et )  0 t , x

 Le choix de la fonction de Lyapunov a un effet sur l’évaluation
de la zone de stabilité d’un système non-linéaire.

72
Exemple : Robot

Energie cinétique :

Bilan de puissance :

73
Candidat de Lyapunov

74
75
Stabilité de Lyapunov des systèmes linéaires
 Le système linéaire x  Ax est asymptotiquement stable si et
seulement si, pour toute matrice symétrique définie positive Q, il existe
une matrice P définie positive et symétrique satisfaisant l’équation de
Lyapunov:
A P  PA  Q  0
T

Démonstration (condition suffisante)

 Considérons ce candidat: V  x T
Px
V  xT Px  xT Px
 Dérivant:
 xT PAx  xT AT Px
 xT  PA  AT P  x
 Soit Q une matrice définie positive, si P est une solution positive de
l’équation de Lyapunov. Alors

V ( x)  0, x  0 et V ( x)   xT Qx  V ( x)  0, x  0.
Donc système asymptotiquement stable.
76
 Pour un couple quelconque (A,Q) l’équation de Lyapunov peut admettre
plus d’une solution pour P. 
Mais, si A est stable, la solution P est unique: P  
AT t
 e Qe At dt
0

 Avec cette solution:

 
A P  PA   A e Qe dt   e Qe At Adt
T T AT t At AT t
0 0

 
 d AT t At
 e Qe dt
0 dt

 e Qe
AT t At
0

 Q

Une matrice symétrique A est définie positive (noté A ≻ 0) si toutes ses valeurs
77
propres sont strictement positives
Exemple

 Q = I.

78
 p2=-1/2 p5=-1/2

p4=- p3

p3=1/2-3p6

p1=-3+6p6 79
 6p6+6=0  p6=-1
 Finalement P est:

 Pas définit positif, car:

Instable

80
Design d’un contrôleur non linéaire pour un système linéaire
 Soit le système: x(t )  Ax (t )  bu (t )
 A globalement asymptotiquement stable (g.a.s.);
 b  n
 x(0)  x0
 u (t )  1, t
 Problème:
 Concevoir un contrôleur avec rétroaction possiblement non-
linéaire qui fait en sorte que x retourne rapidement à 0.

Étape #1
 Choix de la fonction de Lyapunov pour le système en boucle ouverte:
x (t )  Ax (t )
 Choisissons Q symétrique et définie positive. Exemple: Q = I.
81
 Ensuite, définir V ( x, t )  x Px
T


 Avec P symétrique et définie positive, solution de l’équation de Lyapunov.

 Comme A est g.a.s. P>0.

 Conséquence, la fonction de Lyapunov V(x,t) est positive définie et

décroissante et radialement illimitée pour le système.
Étape #2
 Choisir l’entrée u(t) qui fait en sorte que dV/dt soit négatif le long des
trajectoires du système.

 Dérivant, on obtient: V ( x, t )  xT Px  xT Px   xT Qx  2ubT Px

 Solution u(t): u(t )  sign bT Px(t ) 
Avec:  1 si z  0



sign  z   1 si z  0
 0 si z  0

 Un relais… 82
Étape #3
 Vérification que le système en boucle fermée est g.a.s.

 La dérivé de V est: V ( x, t )   xT Qx  2ubT Px

  xT Qx  2sign bT Px  bT Px
  xT Qx  2 bT Px   xT Qx
 Système: x  x  u
 Choix de Q: Q = 1.

 Donc: AT P  PA  Q  0   P  P  1  0  P  1
2
 Ce qui mène à ce contrôleur:
u   sign bT Px    sign  1 x    sign  x 
 2 
 Donc en boucle fermée:
x   x  sign[ x ] 83